Relation entre l’enseignement explicite des stratégies de lecture et le degré de compréhension d’élèves de 4e année du primaire
Bibliographic record
Abstract
Dans le présent article, nous nous questionnons sur la relation entre l’enseignement \nexplicite des stratégies de lecture et le degré de compréhension en lecture d’élèves de \n4e année du primaire. Durant quatre mois, des élèves de ce niveau ont reçu un enseignement \nexplicite des stratégies de lecture. Ils ont ensuite lu un texte narratif et répondu à \nun questionnaire de compréhension, qui constitue l’outil méthodologique de la présente \nrecherche. Une grille d’analyse a ensuite permis d’interpréter les données obtenues. Les \nrésultats du groupe expérimental (GE) ont été comparés à ceux du groupe témoin (GT). \nL’analyse des résultats nous amène à constater que l’enseignement explicite des stratégies \nde lecture semble avoir une influence positive sur le degré de compréhension en lecture \ndes élèves. En effet, bien que les résultats des deux groupes soient globalement similaires, \nnous avons constaté que les élèves du GE ont mieux répondu aux questions qui leur demandaient de faire appel à plus d’un processus de compréhension en lecture. Enfin, les \nélèves du GE n’ont pas utilisé le repérage mot à mot, contrairement à certains élèves du \nGT.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".